[发明专利]基于力学理论指导迁移学习的钢铁材料疲劳性能预测方法

说明书

本发明提供一种基于力学理论指导迁移学习的钢铁材料疲劳性能预测方法，涉及钢铁材料的设计和机器学习应用技术领域。本发明将力学理论机制引入到机器学习中，解决了材料高成本属性预测的小样本问题。通过基于力学理论指导建立钢种成分、工艺与目标性能之间的关系。本方法针对获取成本高的目标性能，利用目标性能与源性能间的高相关性，即基于力学理论指导，仅利用数十组目标性能数据便可建立起准确预测目标性能的迁移学习模型。该方法显著降低了机器学习对于高成本目标性能的数据量要求，显著提高了高成本目标性能评估、预测效率，并最终有利于提高新材料研发速率。

技术领域

本发明涉及钢铁材料的设计和机器学习应用技术领域，尤其涉及一种基于力学理论指导迁移学习的钢铁材料疲劳性能预测方法。

背景技术

疲劳失效是工程材料的主要失效形式之一，其约占金属结构部件机械失效的90％。因此，评估和预测金属材料的疲劳性能至关重要。金属材料的疲劳可分为高周疲劳(HCF)和低周疲劳(LCF)。对于HCF，应力-寿命方法在疲劳分析中得到了广泛应用，其最早由Wohler提出，并提出疲劳极限。许多高强度钢通常不表现出疲劳极限，此条件下耐久极限称为疲劳强度，通常将其定义为在给定的循环(107～109)后无失效的最大应力振幅。疲劳强度是最重要的性能之一。然而，为了获得疲劳强度，诸如阶梯法的疲劳测试非常昂贵且耗时。随着材料基因组和大数据技术概念的发展，机器学习已广泛应用于材料属性预测和新材料发现。与传统实验方法相比，依靠材料大数据的统计学习，组成/过程属性与材料性能间的关系相对容易建立。从传统机器学习方法例如人工神经网络和支持向量回归到新颖机器学习方法例如极限梯度增强和深度学习算法(如卷积神经网络)，它们对各种材料属性均实现了良好的预测。对于金属材料疲劳性能的预测，目前已有部分研究并取得一些应用成果，例如疲劳寿命预测、疲劳裂纹驱动力预测、疲劳强度预测等。然而先前研究是基于相对较大的数据集，其中包含数十年来积累的数百个样本。而对于新材料的疲劳强度而言，为机器学习积累足够的数据既昂贵又费时。即使我们目前在某些材料科学领域处于大数据时代，但就钢铁领域而言，仍然相距甚远，因为开放、可访问和标准的统一数据相当有限，尤其是对于新材料。因此，通常只能获得数十个疲劳数据，这不足以建立良好的机器学习模型。

长期以来，人们发现疲劳强度与其他机械性能有关，例如硬度、拉伸性能和冲击韧性。与疲劳强度相比，拉伸测试显然易于进行，因此可以获得大量数据。依靠足够的数据，通过机器学习方法实现以上性能预测是可行的。同时，考虑到疲劳强度与拉伸性能之间的良好相关性，它们可以用作材料疲劳强度预测的中间阶段。因此，当疲劳数据不足时，借助拉伸性能预测疲劳强度是一种有效的策略。它可以被称为基于力学理论指导的迁移学习。

发明内容

针对现有技术存在的不足，本发明提出了一种基于力学理论指导迁移学习的钢铁材料疲劳性能预测方法，本方法将力学理论机制引入到机器学习中，解决了材料高成本属性预测的小样本问题。

本发明所采取的技术方案是：

一种基于力学理论指导迁移学习的钢铁材料疲劳性能预测方法，包括以下步骤：

步骤1：建立钢铁材料成分、工艺及性能数据集；

步骤1.1：获取钢铁材料中m种材料的成分、工艺及其对应的源性能，每一种材料的成分、工艺、源性能为一组原始数据；m组原始数据形成源数据集；所述成分为材料的元素及含量，所述工艺为材料的工艺参数；源数据集用于作为材料源性能预测的有效数据；对源数据集中的所有数据进行标准化处理，形成源性能初始数据集，标准化处理公式为：z＝(x-μ)/σ，其中z是标准化数据，x是原始数据，μ是原始数据中每一维变量的均值，σ是原始数据中每一维变量的标准差；

步骤1.2：获取钢铁材料中n种材料的成分、工艺及其对应的目标性能，即疲劳性能，每一种材料的成分、工艺、目标性能为一组原始数据；n组原始数据形成目标数据集；所述成分为材料的元素及含量，所述工艺为材料的工艺参数；目标数据集用于作为材料目标性能预测的有效数据；对目标数据集中的所有数据进行标准化处理，形成目标性能初始数据集；